2018 BMVC之GAN+seg：Adversarial Learning for Semi-Supervised Semantic Segmentation

本文链接：https://blog.youkuaiyun.com/qq_41967539/article/details/105211505

本文提出了一种新的半监督语义分割方法，通过全卷积鉴别器对预测概率图进行区分，实现对未标记数据的额外监督。采用DeepLab-v2的ResNet-101作为backbone，结合对抗网络和自学习策略，优化损失函数，有效提升无标签数据的学习能力。实验结果展示了模型在不同backbone和loss组合下的优越性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Adversarial Learning for Semi-Supervised Semantic Segmentation
当前的问题及概述：
现有的鉴别器大都在图像层次上对输入图像进行真伪分类训练，而我们设计了一种全卷积的鉴别器，在考虑空间分辨率的情况下，从ground-truth中对预测概率图进行区分。此外，全卷积鉴别器通过在未标记图像的预测结果中发现可能区域，实现半监督学习，从而提供额外的监督机制。
模型及loss：
2.1semi-supervised semantic segmentation：
在这里插入图片描述
2.1.1Segmentation network
首先采用DeepLab-v2 中的ResNet-101作为backbone进行预训练，并去掉最后一个分类层，将最后两个卷积层的步幅从2修改为1，从而使输出特征图的分辨率有效地达到输入图像大小的1/8。为了扩大感受野，我们将扩展后的卷积分别应用于步幅为2和4的conv4和conv5层。此外，我们在最后一层使用了Atrous Spatial Pyramid Pooling (ASPP)。最后，我们应用一个上采样层和softmax输出来匹配输入图像的大小。
2.1.2Discriminator network
本文只使用标记的数据来训练鉴别器网络。对于未标记的数据，我们用提出的半监督方法训练分割网络。在从分割网络中获得未标记图像的初始分割预测后，我们通过将分割预测传递给鉴别器网络来计算置信图（confidence map）。然后用一个自学习的方案来训练一个带交叉熵损失的